声音复刻HTTP API参考

用户指南：声音复刻。

接口地址（Qwen-Audio-TTS/CosyVoice/Qwen-TTS）

POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization

接口地址（MiniMax）

HTTP请求地址：POST https://maas.qianwenaiapi.com/api/v1/services/aigc/multimodal-generation/generation SDK调用配置的base_url：https://maas.qianwenaiapi.com/api/v1

第三方模型（MiniMax）目前仅支持通过maas.qianwenaiapi.com域名调用，暂不支持专属域名。

请求头

参数	类型	是否必选	说明
Authorization	string	是	鉴权令牌，格式为`Bearer $DASHSCOPE_API_KEY`，使用时，将"`$DASHSCOPE_API_KEY`"替换为实际的API Key。
Content-Type	string	是	请求体的媒体类型。Qwen-Audio-TTS/CosyVoice/Qwen-TTS固定为`application/json`，MiniMax固定为`application/json; charset=utf-8`。

创建音色（Qwen-Audio-TTS/CosyVoice/Qwen-TTS）

请求体

curl -X POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "create_voice",
        "target_model": "qwen-audio-3.0-tts-flash",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav",
        "language_hints": ["zh"],
        "enable_volume_normalization": "false"
    }
}'

参数	类型	说明
model	string	（必选）声音复刻模型。取值： `voice-enrollment`：Qwen-Audio-TTS/CosyVoice声音复刻。 `qwen-voice-enrollment`：Qwen-TTS声音复刻。
input	object	（必选）输入参数对象。
input.action	string	（必选）操作类型。 Qwen-Audio-TTS/CosyVoice（`voice-enrollment`）：固定为`create_voice`。 Qwen（`qwen-voice-enrollment`）：固定为`create`。
input.target_model	string	（必选）驱动音色的语音合成模型。必须与后续调用语音合成接口时使用的模型一致，否则合成会失败。
input.url	string	（条件必选）提示：仅适用于Qwen-Audio-TTS/CosyVoice声音复刻（model为`voice-enrollment`时）。用于复刻音色的音频文件URL，要求公网可访问。
input.audio	object	（条件必选）提示：仅适用于Qwen-TTS声音复刻（model为`qwen-voice-enrollment`时）。音频数据，支持两种提交方式： Data URL（Base64编码）：格式为`{"data": "data:{mime_type};base64,{base64_encoded_data}"}`，支持的MIME类型：`audio/wav`、`audio/mpeg`、`audio/mp4`。音频URL：格式为`{"data": "https://your-audio-url.wav"}`，URL必须公网可访问且无需鉴权。
input.text	string	（可选）提示：仅适用于Qwen-TTS声音复刻（model为`qwen-voice-enrollment`时）。音频对应的文本内容，用于辅助提升复刻效果。
input.prefix	string	（条件必选）提示：仅适用于Qwen-Audio-TTS/CosyVoice（model为`voice-enrollment`时）。音色名称前缀，仅允许数字和英文字母，不超过10个字符。生成的音色名格式：`{target_model}-{prefix}-{唯一标识}`。
input.preferred_name	string	（条件必选）提示：仅适用于Qwen-TTS声音复刻（model为`qwen-voice-enrollment`时）。音色名称前缀，仅允许数字、英文字母和下划线，不超过16个字符。
input.language_hints	array[string]	（可选）提示：仅适用于Qwen-Audio-TTS/CosyVoice声音复刻（model为`voice-enrollment`时），且仅qwen-audio-3.0-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-flash、cosyvoice-v3.5-plus、v3.5-flash、v3-plus和v3-flash模型支持。辅助模型识别样本音频的语种，从而更准确地提取音色特征，提升复刻效果。若设置的语种与实际音频语种不符（例如为中文音频设置 `en`），系统将忽略该设置并自动检测语种。此参数为数组，但当前版本仅处理第一个元素。取值范围（因模型而异）： qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash： zh：中文 en：英语 fr：法语 de：德语 ja：日语 ko：韩语 ru：俄语 pt：葡萄牙语 th：泰语 id：印尼语 vi：越南语 it：意大利语 es：西班牙语 ms：马来西亚语 fil：菲律宾语 ar：阿拉伯语 cosyvoice-v3-plus： zh：中文 en：英文 fr：法语 de：德语 ja：日语 ko：韩语 ru：俄语 cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash： zh：中文 en：英文 fr：法语 de：德语 ja：日语 ko：韩语 ru：俄语 pt：葡萄牙语 th：泰语 id：印尼语 vi：越南语默认值：["zh"]。
input.language	string	（可选）提示：仅适用于Qwen-TTS声音复刻（model为`qwen-voice-enrollment`时）。指定 `audio.data` 音频对应的语种。若使用该参数，设置的语种须与实际用于复刻的音频语种一致。取值范围： zh：中文 en：英文 de：德语 it：意大利语 pt：葡萄牙语 es：西班牙语 ja：日语 ko：韩语 fr：法语 ru：俄语默认值：zh。
input.max_prompt_audio_length	float	（可选）提示：仅适用于Qwen-Audio-TTS/CosyVoice声音复刻（model为`voice-enrollment`时），且仅qwen-audio-3.0-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-flash、cosyvoice-v3.5-plus、v3.5-flash和v3-flash模型支持。音频预处理后用于声音复刻的参考音频最大时长（秒）。取值范围：[3.0, 30.0]。默认值：10.0。
input.enable_preprocess	boolean	（可选）提示：仅适用于Qwen-Audio-TTS/CosyVoice声音复刻（model为`voice-enrollment`时），且仅qwen-audio-3.0-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-flash、cosyvoice-v3.5-plus、v3.5-flash和v3-flash模型支持。是否开启音频预处理（降噪、音频增强、音量规整）。有背景噪音时建议开启；安静环境建议关闭以最大程度还原音色。默认值：false。
input.enable_volume_normalization	string	（可选）提示：仅适用于Qwen-Audio-TTS/CosyVoice声音复刻（model为`voice-enrollment`时）。是否对用于声音复刻的样本音频进行音量归一化。取值： `"true"`：开启音量归一化。 `"false"`：关闭音量归一化。开启后，使用所创建音色合成的音频，其音量可能与关闭该参数时创建的音色不同。默认值：`"false"`。

返回体

{
    "output": {
        "voice_id": "qwen-audio-3.0-tts-flash-myvoice-xxxxxx"
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

Qwen-Audio-TTS/CosyVoice返回voice_id字段，Qwen返回voice字段。Qwen-TTS声音复刻还可能返回fallback_mode和fallback_reason字段。

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object	模型返回的数据。
output.voice_id / voice	string	音色ID。Qwen-Audio-TTS/CosyVoice返回`voice_id`，Qwen返回`voice`。可直接用于语音合成接口的voice参数。
output.target_model	string	提示：仅Qwen返回。驱动音色的语音合成模型。
output.fallback_mode	boolean	提示：仅适用于Qwen-TTS声音复刻（model为`qwen-voice-enrollment`时）。是否以降级模式创建音色。当音频质量不佳或与文本不匹配时，该值为`true`，表示复刻效果可能不理想。
output.fallback_reason	string	提示：仅当`fallback_mode`为`true`时返回。降级原因。可能的值包括`no_merged_segments`（无法合并音频片段）、`no_valid_asr_segments`（音频与文本严重不匹配）等。
usage	object	本次请求用量信息。
usage.count	integer	创建的音色数量，固定为1。

创建音色（MiniMax）

音色复刻请求会生成一段试听音频，试听音频按所选模型的同步语音合成单价额外计费。

请求体

# 第三方模型（MiniMax）目前仅支持通过maas.qianwenaiapi.com域名调用，暂不支持专属域名
curl -X POST 'https://maas.qianwenaiapi.com/api/v1/services/aigc/multimodal-generation/generation' \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H 'Content-Type: application/json; charset=utf-8' \
  -d '{
    "input": {
      "action": "voice_clone",
      "voice_id": "bailian-test-voice-22",
      "audio_url": "https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/cosyvoice/cosyvoice-zeroshot-sample.wav",
      "text": "今天天气怎么样？"
    },
    "model": "MiniMax/speech-2.8-turbo"
  }'

参数	类型	说明
model	string	（必选）指定合成试听音频使用的语音模型。支持的模型： MiniMax/speech-2.8-hd MiniMax/speech-02-hd MiniMax/speech-2.8-turbo MiniMax/speech-02-turbo
input	object	（必选）
input.action	string	（必选）需要进行的操作，支持设置为：`voice_clone`（声音克隆）
input.audio_url	string	（必选）需要复刻的音频文件 URL，音频需符合以下规范：音频格式需为：mp3、m4a、wav 格式音频的时长最少应不低于 10 秒，最长应不超过 5 分钟音频文件大小需不超过 20 MB
input.clone_prompt	object	（可选）音色复刻示例音频，提供本参数将有助于增强语音合成的音色相似度和稳定性。若使用本参数，需准备一小段示例音频。
input.clone_prompt.prompt_audio	string	（可选）示例音频文件 URL，音频需符合以下规范：音频格式需为：mp3、m4a、wav 格式音频时长小于 8 秒音频文件大小需不超过 20 MB
input.clone_prompt.prompt_text	string	（可选）示例音频的对应文本，需确保和音频内容一致，句末需有标点符号做结尾。
input.text	string	（必选）复刻声音期望试听的内容。限制 1000 字符以内。 > 试听将根据字符数正常收取语音合成费用，收费标准参见MiniMax模型价格。语气词标签：仅当模型选择 `speech-2.8-hd` 或 `speech-2.8-turbo` 时，支持在文本中插入语气词标签。支持的语气词：`(laughs)`（笑声）、`(chuckle)`（轻笑）、`(coughs)`（咳嗽）、`(clear-throat)`（清嗓子）、`(groans)`（呻吟）、`(breath)`（正常换气）、`(pant)`（喘气）、`(inhale)`（吸气）、`(exhale)`（呼气）、`(gasps)`（倒吸气）、`(sniffs)`（吸鼻子）、`(sighs)`（叹气）、`(snorts)`（喷鼻息）、`(burps)`（打嗝）、`(lip-smacking)`（咂嘴）、`(humming)`（哼唱）、`(hissing)`（嘶嘶声）、`(emm)`（嗯）、`(whistles)`（口哨）、`(sneezes)`（喷嚏）、`(crying)`（抽泣）、`(applause)`（鼓掌）
input.voice_id	string	（必选）克隆音色的 voice_id，正确示例："MiniMax001"。用户进行自定义 voice_id 时需注意：自定义的 voice_id 长度范围[8,256] 首字符必须为英文字母允许数字、字母、-、_ 末位字符不可为 -、_ voice_id 不可与已有 id 重复，否则会报错 > 该参数全局唯一，建议使用时间戳等个性化信息命名。
input.language_boost	enum<string>	（可选）默认值：null 是否增强对指定的小语种和方言的识别能力。可设置为 `auto` 让模型自主判断。 `Chinese`, `Chinese,Yue`, `English`, `Arabic`, `Russian`, `Spanish`, `French`, `Portuguese`, `German`, `Turkish`, `Dutch`, `Ukrainian`, `Vietnamese`, `Indonesian`, `Japanese`, `Italian`, `Korean`, `Thai`, `Polish`, `Romanian`, `Greek`, `Czech`, `Finnish`, `Hindi`, `Bulgarian`, `Danish`, `Hebrew`, `Malay`, `Persian`, `Slovak`, `Swedish`, `Croatian`, `Filipino`, `Hungarian`, `Norwegian`, `Slovenian`, `Catalan`, `Nynorsk`, `Tamil`, `Afrikaans`,`auto`
input.need_noise_reduction	boolean	（可选）默认值：false 音频复刻参数，表示是否开启降噪，默认值为 false。
input.need_volume_normalization	boolean	（可选）默认值：false 是否开启音量归一化。
input.aigc_watermark	boolean	（可选）默认值：false 是否在合成试听音频的末尾添加音频节奏标识。

返回体

{
    "output": {
        "base_resp": {
            "status_code": 0,
            "status_msg": "success"
        },
        "demo_audio": "https://minimax-algeng-chat-tts.oss-cn-wulanchabu.aliyuncs.com/audio%2Feffect%2F05fdf023562aea84632d2a8c01c2366f_1773059375796_1311.mp3?Expires=1773232175&OSSAccessKeyId=YOUR_ACCESS_KEY_ID&Signature=YOUR_SIGNATURE",
        "input_sensitive": false,
        "input_sensitive_type": 0
    },
    "usage": {
        "characters": 18
    },
    "request_id": "b1160386-ebf1-913f-9275-ef176c5e1c91"
}

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object
output.input_sensitive	boolean	输入音频是否命中风控。
output.input_sensitive_type	integer	输入音频命中风控的类型，取值为以下其一： 0：正常 1：严重违规 2：色情 3：广告 4：违禁 5：谩骂 6：暴恐 7：其他
output.demo_audio	string	链接形式的试听音频。
output.base_resp	object
output.base_resp.status_code	integer	状态码 0: 请求结果正常 1000：未知错误 1001：超时 1002：触发限流 1004：鉴权失败 1013：服务内部错误 2013：输入格式信息不正常 2038：无复刻权限，请检查账号认证状态
output.base_resp.status_msg	string	状态详情
usage	object	本次请求的字符用量。
usage.characters	integer	输入文本的字符数。

查询音色列表

MiniMax不支持通过本接口查询音色列表。如需查询 MiniMax 系列模型（如 MiniMax/speech-2.8-turbo）的可用音色 ID（含系统音色与已复刻音色），请参见声音管理。

请求体

curl -X POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "list_voice",
        "prefix": "myvoice",
        "page_size": 10,
        "page_index": 0
    }
}'

参数	类型	说明
model	string	（必选）声音复刻模型。取值： `voice-enrollment`：Qwen-Audio-TTS/CosyVoice声音复刻。 `qwen-voice-enrollment`：Qwen-TTS声音复刻。
input	object	（必选）输入参数对象。
input.action	string	（必选）操作类型。Qwen-Audio-TTS/CosyVoice：`list_voice`。Qwen：`list`。
input.prefix	string	（可选）提示：仅适用于Qwen-Audio-TTS/CosyVoice。按前缀筛选音色。
input.page_index	integer	（可选）页码索引。
input.page_size	integer	（可选）每页包含数据条数。

返回体

{
    "output": {
        "voice_list": [
            {
                "voice_id": "qwen-audio-3.0-tts-flash-myvoice-xxxxxx",
                "gmt_create": "2024-12-11 13:38:02",
                "gmt_modified": "2024-12-11 13:38:02",
                "status": "OK"
            }
        ]
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

Qwen-Audio-TTS/CosyVoice返回voice_list数组，每项包含voice_id字段；Qwen同样返回voice_list数组，每项包含voice字段。Qwen的output中还包含page_index、page_size和total_count分页信息字段。

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object	模型返回的数据。
output.page_index	integer	提示：仅Qwen返回。当前页码索引。
output.page_size	integer	提示：仅Qwen返回。每页数据条数。
output.total_count	integer	提示：仅Qwen返回。音色总数。
output.voice_list	array[object]	查询到的音色列表。Qwen-Audio-TTS/CosyVoice和Qwen均使用`voice_list`字段名。
output.voice_list.voice_id / voice	string	音色ID。Qwen-Audio-TTS/CosyVoice为`voice_id`，Qwen为`voice`。
output.voice_list.gmt_create	string	创建时间。
output.voice_list.gmt_modified	string	修改时间。
output.voice_list.status	string	提示：仅Qwen-Audio-TTS/CosyVoice返回。音色状态，取值参见"音色状态说明"。
output.voice_list.target_model	string	提示：仅Qwen返回。驱动音色的语音合成模型。
usage	object	本次请求用量信息。
usage.count	integer	Qwen-Audio-TTS/CosyVoice固定为1。Qwen固定为0。

查询音色详情

仅适用于Qwen-Audio-TTS/CosyVoice（model为voice-enrollment时）。Qwen和MiniMax模型不支持查询音色详情操作。

请求体

Qwen-Audio-TTS/CosyVoice

curl -X POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "query_voice",
        "voice_id": "yourVoiceId"
    }
}'

参数	类型	说明
model	string	（必选）固定为`voice-enrollment`（Qwen-Audio-TTS/CosyVoice）。
input	object	（必选）输入参数对象。
input.action	string	（必选）固定为`query_voice`。
input.voice_id	string	（必选）要查询的音色ID。

返回体

{
    "output": {
        "gmt_create": "2024-12-11 13:38:02",
        "resource_link": "https://yourAudioFileUrl",
        "target_model": "qwen-audio-3.0-tts-flash",
        "gmt_modified": "2024-12-11 13:38:02",
        "status": "OK"
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object	模型返回的数据。
output.resource_link	string	音频文件的URL地址。
output.gmt_create	string	创建时间。
output.gmt_modified	string	修改时间。
output.status	string	音色状态，取值参见"音色状态说明"。
output.target_model	string	驱动音色的语音合成模型。
usage	object	本次请求用量信息。
usage.count	integer	固定为1。

更新音色

仅适用于Qwen-Audio-TTS/CosyVoice声音复刻（model为voice-enrollment时）。Qwen和MiniMax模型不支持更新操作。

请求体

curl -X POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "update_voice",
        "voice_id": "yourVoiceId",
        "url": "https://new-audio-url.wav"
    }
}'

参数	类型	说明
model	string	（必选）固定为`voice-enrollment`。
input	object	（必选）输入参数对象。
input.action	string	（必选）固定为`update_voice`。
input.voice_id	string	（必选）要更新的音色ID。
input.url	string	（必选）新的音频文件URL，要求公网可访问。

返回体

{
    "output": {},
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object	模型返回的数据，更新操作返回空对象。
usage	object	本次请求用量信息。
usage.count	integer	固定为1。

删除音色

请求体

curl -X POST https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "delete_voice",
        "voice_id": "yourVoiceId"
    }
}'

参数	类型	说明
model	string	（必选）声音复刻模型。取值： `voice-enrollment`：Qwen-Audio-TTS/CosyVoice声音复刻。 `qwen-voice-enrollment`：Qwen-TTS声音复刻。
input	object	（必选）输入参数对象。
input.action	string	（必选）操作类型。Qwen-Audio-TTS/CosyVoice：`delete_voice`。Qwen：`delete`。
input.voice_id	string	（条件必选）提示：仅适用于Qwen-Audio-TTS/CosyVoice。要删除的音色ID。
input.voice	string	（条件必选）提示：仅适用于Qwen。要删除的音色名称。

返回体

{
    "output": {},
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

Qwen-Audio-TTS/CosyVoice的output为空对象，Qwen返回voice字段。

参数	类型	说明
request_id	string	本次调用的唯一标识符。
output	object	模型返回的数据。Qwen-Audio-TTS/CosyVoice返回空对象，Qwen返回已删除的音色名称。
output.voice	string	提示：仅Qwen返回。已删除的音色名称。
usage	object	本次请求用量信息。
usage.count	integer	固定为1。

音色状态说明

音色创建后会经过审核流程，以下是各状态的含义。此状态体系仅适用于Qwen-Audio-TTS/CosyVoice（model为voice-enrollment时），Qwen的查询和列表返回中不包含status字段。

状态	说明
DEPLOYING	审核中/处理中。
OK	审核通过，可正常使用。
UNDEPLOYED	审核未通过，不可使用。

​接口地址（Qwen-Audio-TTS/CosyVoice/Qwen-TTS）

​接口地址（MiniMax）

​请求头

​创建音色（Qwen-Audio-TTS/CosyVoice/Qwen-TTS）

​请求体

​返回体

​创建音色（MiniMax）

​请求体

​返回体

​查询音色列表

​请求体

​返回体

​查询音色详情

​请求体

​返回体

​更新音色

​请求体

​返回体

​删除音色

​请求体

​返回体

​音色状态说明

接口地址（Qwen-Audio-TTS/CosyVoice/Qwen-TTS）

接口地址（MiniMax）

请求头

创建音色（Qwen-Audio-TTS/CosyVoice/Qwen-TTS）

请求体

返回体

创建音色（MiniMax）

请求体

返回体

查询音色列表

请求体

返回体

查询音色详情

请求体

返回体

更新音色

请求体

返回体

删除音色

请求体

返回体

音色状态说明